Physics-Guided Neural Network-Based Operational Transfer Path Analysis: Frequency Response Function Estimation and Contribution Analysis = 물리 기반 신경망을 활용한 운전 중 전달경로분석: 주파수 응답 함수 예측 및 기여도 분석

다국어 초록 (Multilingual Abstract)

This study proposes a physics-guided neural network-based operational transfer path analysis (OTPA) method that addresses the limitations of conventional OTPA: ill-conditioning, crosstalk, and the absence of frequency response function (FRF) information. First, a neural network model capable of processing complex-valued data is introduced to accurately estimate transmissibility. Furthermore, an advanced network architecture is designed to incorporate prior known physical information of the system. Specifically, modal parameters—such as natural frequencies, damping ratios, and relative mode shapes—extracted through operational modal analysis are embedded into the neural network, enabling the estimation of system FRFs. To this end, a modified OTPA equation is reformulated to incorporate modal parameters, and the network is trained to reflect the system’s physical behavior. This integrated approach allows the proposed method to perform contribution analysis using the derived FRFs, thereby fundamentally addressing both the ill-conditioning and crosstalk problems. The method is validated using data measured from a test bench resembling an actual vehicle. Vibration and noise responses at indicator and receiver positions were measured under various operating conditions and used to train the model. Compared to conventional OTPA, the proposed method more accurately estimated interior noise. In addition, the FRFs of each transfer path were successfully estimated, and the contribution analysis results showed high consistency with the results of component-based TPA, regardless of the ill-conditioning and crosstalk in the indicator signals. This study presents an effective solution to the theoretical and practical limitations of conventional OTPA. Notably, it enables the identification of dominant transfer paths and their FRFs solely from operating data, which can be effectively utilized to reduce noise through system-level modifications.

국문 초록 (Abstract)

본 연구에서는 기존 운전 중 전달경로분석법의 한계인 행렬 불량 조건, 누화 현상, 주파수 응답 함수 정보의 부재를 동시에 해결할 수 있는 물리 기반 신경망을 활용한 전달경로분석법을 제안한다. 우선, 복소수 데이터를 직접 처리할 수 있도록 설계된 신경망을 통해 지시기와 수신기 응답 간의 전달률을 효과적으로 추정한다. 더 나아가, 사전에 알고 있는 시스템의 물리적 정보를 반영할 수 있도록 고도화된 신경망 구조를 설계하였다. 구체적으로, 운전 중 모드 분석 기법을 통해 도출된 고유 진동수, 감쇠율, 상대 모드 형상 정보를 신경망에 주입하여 시스템의 주파수 응답 함수를 추정할 수 있도록 구성하였다. 이를 위해, 모드 정보를 반영할 수 있도록 기존의 전달률 기반 수식을 수정하고, 해당 수식을 만족하도록 신경망 학습 목표를 설정하였다. 이 방법은 학습된 모델로부터 도출된 주파수 응답 함수를 이용하여 기여도를 분석함으로써, 행렬의 조건 불량 문제와 신호간 누화 현상을 근본적으로 해결한다. 제안된 방법은 실제 차량과 유사한 구조를 갖는 실험 모델에서 획득된 데이터를 활용하여 검증되었다. 다양한 운행 조건에서 지시기 및 수신기 위치의 진동 및 소음 응답 데이터를 측정하였고, 이를 기반으로 신경망 모델을 학습시킨 후, 분석 결과를 기존 방법들과 비교하였다. 그 결과, 제안된 방법은 기존 운전 중 전달경로분석 방법에 비해 수신기 응답 신호인 실내 소음을 더욱 정확히 예측하였다. 뿐만 아니라, 각 전달 경로별 주파수 응답 함수를 성공적으로 추정하였고, 이를 이용한 기여도 분석 결과는 부품 기반 전달경로분석법과 높은 일치도를 나타내었다. 본 연구는 기존 방법의 이론적 및 실용적 한계를 극복할 수 있는 새로운 방향을 제시하며, 특히 운행 데이터만을 기반으로 한 주 전달 경로 및 경로별 주파수 응답 함수를 도출할 수 있다는 점은 시스템의 동특성 변경을 통한 소음·진동 성능 향상에 효과적인 도구로 활용될 수 있을 것으로 사료된다.

목차 (Table of Contents)

• Abstract, i
• Table of Contents, iii
• List of Tables, v
• List of Figures, vi
• Chapter 1. Introduction, 1
• 1.1. Transfer path analysis, 1
• 1.2. Review of previous research, 3
• 1.3. Objectives and outlines, 7
• Chapter 2. Theories on Transfer Path Analysis, 11
• 2.1. Introduction, 11
• 2.2. Framework for transfer path analysis, 12
• 2.2.1 Classical TPA, 14
• 2.2.2 Component-based TPA, 16
• 2.2.3 Operational TPA, 18
• Chapter 3. Neural Network Model for Response Estimation, 24
• 3.1. Introduction, 24
• 3.2. Neural network-based OTPA, 27
• 3.2.1. Concept of NOTPA, 27
• 3.2.2. Complex-valued neural network, 30
• 3.2.3. Strategies of NOTPA, 36
• 3.3. Experimental verification of NOTPA, 38
• 3.3.1. Test bench and data acquisition, 38
• 3.3.2. Estimation of sound pressure, 44
• 3.3.3. Consistency of NOTPA model, 52
• 3.3.4. Results of contribution analysis using NOTPA, 59
• Chapter 4. Neural Network Model for Contribution Analysis, 62
• 4.1. Introduction, 62
• 4.2. Transmissibility-based operational modal analysis, 64
• 4.3. Advanced neural network-based OTPA, 67
• 4.3.1. Equations of ANOTPA, 67
• 4.3.2. Architecture of ANOTPA model, 74
• 4.3.3. Strategies of ANOTPA, 78
• 4.4. Experimental verification of ANOTPA, 82
• 4.4.1. Estimation of sound pressure, 82
• 4.4.2. Estimation of frequency response functions, 87
• 4.4.3. Results of contribution analysis using ANOTPA, 92
• Chapter 5. Conclusions, 100
• Bibliography, 105
• 국문 초록, 113